Максим К. , Senior, AI разработчик

Комплексное внедрение искусственного интеллекта в ключевые бизнес-процессы компании с целью кратного сокращения операционных затрат и увеличения конверсии. Проект включал создание двух независимых, но связанных систем: Автоматизированный AI-воркфлоу для SEO: Полностью автономный пайплайн производства контента, заменяющий работу целого отдела копирайтеров и SEO-специалистов. AI-продавец для WhatsApp: Интеллектуальный агент, обрабатывающий входящие лиды в мессенджере без участия человека.

1. Разработка AI-воркфлоу на n8n: Проектирование и реализация полностью автоматизированных конвейеров в n8n с запуском по триггерам или расписанию.
2. Настройка парсинга поисковой выдачи (SERP) и сайтов конкурентов для сбора данных, анализа структуры и определения актуальных трендов.
3. Интеграция внешних сервисов через GraphQL API, включая построение запросов, обработку ответов и трансформацию данных.
4. Проектирование и обработка сложных JSON-схем при интеграции REST/GraphQL API, включая маппинг, трансформацию и сериализацию данных.
5. Интеграция OpenRouter для обеспечения доступа к пулу LLM-моделей (Google Gemini, GPT, Claude) с возможностью динамического выбора модели под конкретную задачу (написание текста, генерация структуры, рерайт) с целью оптимизации затрат.
6. Построение цепочек промптов: генерация структуры → написание черновика → «гуманизация» текста → автоматическая HTML-разметка для публикации на сайте.
7. Настройка интеграции с Google Sheets как системы логирования, управления задачами и канбан-доски.
8. Создание AI-продавца для WhatsApp: Разработка архитектуры асинхронного взаимодействия AI-агента с WhatsApp API.
9. Реализация системы автоматической квалификации лидов: анализ входящих сообщений, определение намерений клиента, задание уточняющих вопросов, классификация лидов по "температуре" (холодный/теплый/горячий).
10. Настройка логики эскалации и передачи "горячих" заявок менеджерам с полной историей диалога и контекстом.
11. Интеграция Supabase для хранения истории диалогов, статусов лидов и пользовательских данных в режиме реального времени.
12. Обеспечение круглосуточной работы агента (24/7) с мгновенным временем отклика.

Платформа для промышленной генерации SEO-контента с полным контролем над AI-пайплайном. В отличие от простых оберток над LLM, система позволяет пользователю управлять процессом создания контента пошагово.

1. Спроектировал трехуровневую архитектуру платформы: Frontend (React/Vite), AI-Orchestration (n8n) и Backend (Supabase).
2. Разработал state-machine для задач генерации с явными состояниями, что обеспечило предсказуемость работы системы.
3. Реализовал механизм пошаговой генерации с возможностью регенерации любого этапа (структура, черновик, финальный текст, HTML-разметка), что позволило уйти от модели «черного ящика».
4. Настроил асинхронную обработку запросов для обеспечения масштабируемости и отзывчивости интерфейса.

Масштабируемая RAG-система для анализа отзывов и корпоративных документов. Позволяет получать ответы на вопросы по базе знаний без необходимости дообучать (fine-tune) модели.

1. Реализовал архитектуру, разделяющую Reasoning (LLM) и Knowledge (Vector DB), что позволило гибко обновлять базу знаний независимо от логики рассуждений.
2. Разработал систему семантического разбиения (semantic chunking) и гибридного поиска для повышения релевантности результатов.
3. Спроектировал асинхронный пайплайн с использованием RabbitMQ для обработки тяжелых документов (сканы, PDF, отзывы) без блокировки основного потока.
4. Оркестрировал взаимодействие микросервисов в Docker и Kubernetes для обеспечения отказоустойчивости.
5. Интеграция LangChain для построения RAG-пайплайнов: подготовка документов, embedding pipeline, retrieval и orchestration взаимодействия LLM с векторной БД.
6. Использование Model Context Protocol (MCP) для стандартизации передачи контекста между LLM-агентами, инструментами и внешними источниками данных.

Многофункциональная платформа в виде Telegram-бота и Mini App для генерации текста, изображений и видео с умной маршрутизацией по AI-провайдерам.

1. Разработал Telegram-бота на aiogram v3 с использованием FSM (Finite State Machine), троттлингом и обеспечением идемпотентности запросов.
2. Создал FastAPI backend, который принимает запросы от бота и ставит задачи в очередь RabbitMQ для фоновой обработки генераций.
3. Разработал Next.js Mini App для удобного управления историей генераций и настройками.
4. Реализация безопасных интеграций с использованием OAuth2.
5. Интегрировал платежную систему и реализовал детальную ролевую модель доступа (администратор, пользователь с подпиской, гость).
6. Настроил S3-совместимое хранилище (MinIO) для хранения сгенерированных изображений и видео.

Интеллектуальный Telegram Mini App для автоматизации фитнес-трекинга и контроля питания. Приложение позволяет пользователям отслеживать рацион, водный баланс и физическую активность с использованием компьютерного зрения и AI-аналитики.

1. Разработка Telegram Mini App на Vite с оптимизацией под встраивание в Telegram WebView
2. Реализация пользовательского интерфейса для загрузки фотографий и отображения результатов AI-анализа в реальном времени
3. Проектирование архитектуры взаимодействия между Telegram Mini App, Supabase и AI-пайплайнами
4. Настройка n8n для оркестрации AI-воркфлоу: получение фотографии → отправка в LLM → парсинг результата → сохранение в базу данных
5. Интеграция AI-моделей для распознавания продуктов питания и расчета пищевой ценности по изображениям
6. Использование Supabase (PostgreSQL) для хранения профилей пользователей, истории питания, тренировок и метрик активности
7. Настройка real-time синхронизации данных между Mini App и базой данных
8. Реализация системы поведенческой аналитики для выявления паттернов питания и формирования персонализированных рекомендаций